৭ মাসের স্টাডিপ্ল্যান

৪৮ টি লাইভ ক্লাস

১২ টি ইন্ডাস্ট্রি স্ট্যান্ডার্ড প্রজেক্ট

প্রোগ্রেস ট্র্যাকিং

সপ্তাহে ৩ দিন সাপোর্ট ক্লাস

কমিউনিটি সাপোর্ট

লাইফটাইম এক্সেস

ইন্টারভিউ হ্যান্ডবুক

সার্টিফিকেট

ল্যাপটপ/ডেস্কটপ (৮ জিবি র‍্যাম)

ভালো ইন্টারনেট কানেকশন

লেগে থাকার মানসিকতা

থাকছে ৫ টির বেশি রিয়েল লাইফ প্রজেক্ট, যেগুলো করে হয়ে যাবে মোস্ট ডিমানডিং প্রোডাক্ট বিল্ড করার অভিজ্ঞতা।

Run you first code!

এই কোর্সের প্রিরিকুইজিট হলো পাইথন। তাই পাইথনের উপর এই ভিডিওগুলো দেখে নিলে আপনার প্রিপারেশন হবে সলিড। 

বেসিক ঝালাই করুন এখান থেকে

Python

Pandas

NumPys

Matplotlib

scikit-learn

TensorFlow

Keras

PyTorch

Jupyter Notebook

Google Colab

GitHub

FastAPI

Docker

MLflow

SpaCy

OpenAI

LangChain

Postman

Swagger (OpenAPI)

টিম প্রোজেক্ট

সিভি মেকিং এবং পোর্ট ফোলিও বিল্ডিং

জব পাওয়া পর্যন্ত সাপোর্ট

হ্যান্ডবুক ডাউনলোড করুন

গল্পে গল্পে মেশিন লার্নিং

MD Mazharul Islam Nabil

Wasee Ahsan

M Parvej Alam

Zobayer Al Mahmud

Tasnia Washim

Md.Sakibul Hasan Chanchal

Md Arman Ahmed Jony

Rohima Khanom

Md. Manwarul Alam

Methila Afrin Meem

Nargees Jahan

Thongya Murong

Nazmul Hossain

Zawad Ishmam

Toukir Ahamed Pigeon

Md.Sakibul Hasan

Mojibur Rahaman

Md Mochaddec Hossain (Maruf)

MD. MAHI SALMAN

Mohiduzzaman Mahin

AKM FAZLUL HOQUE BHUIYAN

Tahmid Rahman

Machine Learning Pipeline শিখুন সহজভাবে with Best Practices

Machine Learning শিখতে Pandas, NumPy ও Vector কেন জরুরি? বেসিক থেকে প্র্যাকটিস

Machine Learning Types কী কী? EDA শুরু করার সহজ গাইড

AI Engineer Full Roadmap | Machine Learning পরিচিতি

KM Al Jazziz Turja

MD. Siyam Bhuiyan

Nafisa Ahmed Progga

Razib Kumar Biswas

Sanzida Akter

Debbrath Debnath

Selim Ahmed

Tarqul Alam Opi

ব্যাচে ভর্তি হোন

আপনি কি পাইথন প্রোগ্রামিং জানেন কিন্তু বুঝতে পারছেন না AI-এর দুনিয়ায় কীভাবে পা রাখবেন? আপনার এই দ্বিধা দূর করতেই আমাদের এই বিশেষ বুটক্যাম্প। এখানে আমরা কেবল থিওরি শিখবো না, বরং পাইথনের শক্ত ভিত্তিকে কাজে লাগিয়ে অ্যাডভান্সড AI অ্যাপ্লিকেশন তৈরি করা শিখবো। এই কোর্সটি কাদের জন্য?<ul><li>- যারা পাইথনের বেসিক জানেন এবং AI নিয়ে ক্যারিয়ার গড়তে আগ্রহী।</li><li>- বিশ্ববিদ্যালয়ের স্টুডেন্ট বা ফ্রেশ গ্র্যাজুয়েট যারা নিজেদের স্কিলকে ফিউচার-প্রুফ করতে চান।</li><li>- অলরেডি ডেভেলপার হিসেবে কাজ করছেন কিন্তু এখন AI ইঞ্জিনিয়ার হিসেবে নিজেকে নতুন করে চেনাতে চান।</li></ul> কোর্স থেকে আপনি যা যা শিখবেন:<ul><li>AI-এর জন্য পাইথন ও ম্যাথ: প্রথমেই আমরা AI-এর জন্য প্রয়োজনীয় পাইথন লাইব্রেরি এবং ব্যাকএন্ডের জটিল ম্যাথমেটিক্স ও স্ট্যাটিস্টিক্স একদম সহজভাবে আয়ত্ত করবো।</li><li>মেশিন লার্নিং ও ডিপ লার্নিং: রিগ্রেশন, ক্লাসিফিকেশন থেকে শুরু করে CNN ব্যবহার করে ইমেজ রিকগনিশনের মতো বিষয়গুলো আমরা হাতে-কলমে শিখবো।</li><li>NLP ও স্পিচ রিকগনিশন: মানুষের ভাষা বোঝার টেকনিক (NLP) এবং ভয়েস কমান্ড প্রসেসিংয়ের খুঁটিনাটি থাকছে এই মডিউলে।</li><li>LLM ও LangChain: বর্তমান সময়ের সবচেয়ে জনপ্রিয় প্রযুক্তি GPT-এর মতো মডেল কীভাবে কাজ করে এবং LangChain ব্যবহার করে কীভাবে বুদ্ধিমান অ্যাপ বানানো যায়, তা শিখবো।</li><li>ভেক্টর ডেটাবেস ও RAG: AI মডেলকে আরও স্মার্ট করার জন্য ডেটা ম্যানেজমেন্ট এবং নলেজ বেস চ্যাটবট তৈরির কৌশলগুলো কভার করা হবে।</li></ul>

ML Engineering Masterclass for Future AI Engineers

সাপোর্ট ক্লাস

Abdullah Saihan

গল্পে গল্পে Machine Learning: সহজভাবে বুঝে ফেলুন কঠিন ধারণাগুলো

Building an AI Career: Learn, Apply, Earn

নিউরাল নেটওয়ার্কের অ আ ক খ

গল্পে গল্পে AI ও Machine Learning

এই প্রোজেক্টের মাধ্যমে লার্নাররা একটি AI ভিত্তিক ডেটা বিশ্লেষণ অ্যাপ তৈরি করবেন যা বড় ডেটাসেট থেকে কার্যকরী অন্তর্দৃষ্টি প্রদান করবে। লার্নাররা ডেটা ক্লিনিং, ফিচার ইঞ্জিনিয়ারিং, এবং মডেল ট্রেইনিং শিখবেন, এবং AI মডেল ব্যবহার করে ডেটা বিশ্লেষণ করবেন। Python, pandas, scikit-learn, এবং অন্যান্য AI টুলস ব্যবহার করে এই প্রোজেক্টটি তৈরি করা হবে।

মূল ফিচারসমূহ:
Data Preprocessing & Cleaning Techniques
Exploratory Data Analysis (EDA)
Feature Engineering ও Selection
Model Building & Evaluation with AI Techniques
Insights Generation through Machine Learning Models
Deploying the AI Model for Actionable Insights in Production

Michael: An AI data analyst for actionable insights.

এই প্রোজেক্টে লার্নাররা একটি AI টিউটর এবং অটোমেশন এজেন্ট তৈরি করবে, যা টুল ব্যবহার করে স্বয়ংক্রিয়ভাবে শেখার প্রক্রিয়া ও প্রাসঙ্গিক কাজ সম্পাদন করতে সক্ষম হবে। লার্নাররা AI এর সাহায্যে শিক্ষণ কার্যক্রমকে অটোমেট করার পাশাপাশি, টুলস যেমন API ইন্টিগ্রেশন, ডাটা সংগ্রহ এবং রিয়েল-টাইম অটোমেশন নিয়ে কাজ করবেন। এই প্রোজেক্টে Python, TensorFlow, এবং AI ডেভেলপমেন্ট টুলস ব্যবহার করা হবে।

মূল ফিচারসমূহ:
AI-based Tutor Creation with Personalized Learning Path
Tool Integration for Task Automation (e.g., API calls, Data fetching)
Natural Language Processing (NLP) for Interaction
Automated Decision Making Based on User Interaction
AI Model Fine-tuning and Evaluation
Deployment of AI Model for Real-world Automation

Leo: An AI tutor and automation agent with tool use.

এই প্রোজেক্টে লার্নাররা একটি AI ভিত্তিক কাস্টমার সাপোর্ট সিস্টেম তৈরি করবে, যা ডাটাবেসের সঙ্গে ইন্টিগ্রেটেড থাকবে এবং গ্রাহকদের প্রশ্নের উত্তর দেওয়ার জন্য সুনির্দিষ্ট তথ্যের ওপর ভিত্তি করে সমাধান প্রদান করবে। লার্নাররা ডেটাবেস থেকে ডাটা সংগ্রহ, প্রশ্ন-উত্তর মডেল তৈরি এবং গ্রাহক সাপোর্ট এজেন্ট তৈরি করার কাজ শিখবে। Python, TensorFlow, SQL, এবং অন্যান্য AI টুলস ব্যবহার করে এই সিস্টেম তৈরি করা হবে।

মূল ফিচারসমূহ:
Customer Query Handling with AI-based Response Generation
Database Integration for Real-time Data Access
Text-based Question-Answering System Implementation
Contextual Understanding for Personalized Support
Training AI Models on Customer Interaction Data
Deploying the AI for Real-world Customer Support Automation

Custu: Customer support AI with database integration.

এই প্রোজেক্টে লার্নাররা একটি context-aware চ্যাটবট তৈরি করবে, যা স্বাভাবিক এবং প্রাসঙ্গিক কথোপকথনের জন্য AI ও ML মডেল ব্যবহার করবে। চ্যাটবটটি ব্যবহারকারীর আগের প্রশ্ন ও ইনপুটের প্রেক্ষিতে উত্তর দিবে, এবং NLP ও ট্রান্সফরমার মডেলগুলো ব্যবহার করে তার জ্ঞানকে প্রসারিত করবে। Python, Hugging Face, এবং NLP টুলস ব্যবহৃত হবে এই প্রোজেক্টে।

মূল ফিচারসমূহ:
Context-Aware Response Generation using NLP
Transformer-based Model Implementation for Conversational Flow
User Interaction Tracking for Personalized Responses
Handling Ambiguity and Complex Queries
Fine-tuning Pre-trained Models for Enhanced Performance
Deployment and Real-time Integration of Chatbot

Askly:  A context-aware chatbot for natural conversations.

এই প্রোজেক্টে লার্নাররা একটি AI মডেল তৈরি করবে যা বিভিন্ন ফিচারের উপর ভিত্তি করে বাড়ির দাম পূর্বাভাস দিতে সক্ষম হবে। লার্নাররা ডেটা প্রিপ্রসেসিং, ফিচার সিলেকশন, এবং বিভিন্ন মেশিন লার্নিং মডেল যেমন লিনিয়ার রিগ্রেশন, ডিসিশন ট্রি ইত্যাদি ব্যবহার করে এই প্রোজেক্টটি তৈরি করবেন। ডেটাসেট বিশ্লেষণ ও মডেল ট্রেইনিং থেকে শুরু করে, ডিপ্লয়মেন্ট পর্যন্ত সকল প্রক্রিয়া শেখা হবে।

মূল ফিচারসমূহ:
Data Collection and Preprocessing for House Prices
Exploratory Data Analysis (EDA) to Understand Patterns
Feature Selection and Engineering for Price Prediction
Model Training Using Machine Learning Algorithms (e.g., Linear Regression, Decision Trees)
Model Evaluation with Metrics such as RMSE and MAE
Deployment of the Model for Real-time Price Prediction

House Price Predictor

এই প্রোজেক্টে লার্নাররা একটি ডায়াবেটিস ডিটেকশন সিস্টেম তৈরি করবেন, যা মেশিন লার্নিং মডেল ব্যবহার করে রোগীদের ডায়াবেটিস হওয়া সম্ভাবনা নির্ধারণ করবে। লার্নাররা ডেটা প্রিপ্রসেসিং, ফিচার ইঞ্জিনিয়ারিং, এবং ক্লাসিফিকেশন মডেল তৈরির প্রক্রিয়া শিখবেন। এছাড়া, রিয়েল-টাইম ডেটা ব্যবহার করে সিস্টেমের কার্যকারিতা মূল্যায়ন করা হবে। Python, scikit-learn, এবং অন্যান্য মেশিন লার্নিং টুলস ব্যবহার করা হবে।

মূল ফিচারসমূহ:
Diabetes Prediction using Machine Learning
Data Collection and Preprocessing for Health Datasets
Feature Engineering and Selection
Building and Evaluating Classification Models (Logistic Regression, Random Forest, etc.)
Model Optimization and Hyperparameter Tuning
Real-time Testing and Prediction Deployment

Diabetes Detection System

এই প্রোজেক্টে লার্নাররা একটি AI-ভিত্তিক কাস্টমার সেগমেন্টেশন ইঞ্জিন তৈরি করবে যা কাস্টমারদের বিভিন্ন বৈশিষ্ট্য অনুসারে গ্রুপ করবে। লার্নাররা ক্লাস্টারিং অ্যালগরিদম যেমন K-Means, DBSCAN, এবং হায়ারারকিক্যাল ক্লাস্টারিং ব্যবহার করে ডেটা বিশ্লেষণ এবং সেগমেন্টেশন শিখবেন। এছাড়া, সেগমেন্টেশন আউটপুট ব্যবহার করে কাস্টমারের আচরণ এবং পছন্দ অনুসারে টার্গেটেড মার্কেটিং স্ট্র্যাটেজি তৈরির জন্য AI ব্যবহার করা হবে।

মূল ফিচারসমূহ:
Customer Data Preprocessing & Feature Selection
K-Means, DBSCAN, এবং Hierarchical Clustering Techniques
Clustering Algorithm Implementation for Customer Segmentation
Evaluating Segmentation Quality using Silhouette Score & Inertia
AI-based Targeted Marketing Strategy Design
Deploying the Segmentation Model for Real-world Applications

Customer Segmentation Engine

এই প্রোজেক্টে লার্নাররা একটি ডিপ লার্নিং ভিত্তিক মডেল তৈরি করবে যা MNIST ডেটাসেট ব্যবহার করে হ্যান্ডরিটেন ডিজিট ক্লাসিফিকেশন করতে সক্ষম হবে। লার্নাররা Convolutional Neural Networks (CNN) ব্যবহার করে ডেটা প্রক্রিয়াকরণ, মডেল ট্রেনিং, এবং মডেল ইভালুয়েশন শিখবেন। এই প্রোজেক্টে মডেলটির একুরেসি বাড়ানোর জন্য বিভিন্ন টেকনিক যেমন ডেটা অগমেন্টেশন, গ্রেডিয়েন্ট বুস্টিং ইত্যাদি প্রয়োগ করা হবে।

মূল ফিচারসমূহ:
MNIST ডেটাসেট লোড ও প্রিপ্রসেসিং
Convolutional Neural Network (CNN) মডেল তৈরি
মডেল ট্রেনিং ও ভ্যালিডেশন
ফিচার সিলেকশন ও পারফরমেন্স টিউনিং
মডেল ইভালুয়েশন ও একুরেসি মেট্রিক্স
মডেল ডিপ্লয়মেন্ট ও রিয়েল-টাইম ডিজিট ক্লাসিফিকেশন

MNIST Digit Classifier

এই প্রোজেক্টে লার্নাররা একটি ইমেজ ক্লাসিফিকেশন মডেল তৈরি করবেন যা কুকুর এবং বিড়ালের ছবি বিশ্লেষণ করে সঠিক ক্যাটেগরি নির্ধারণ করবে। লার্নাররা কনভোলিউশনাল নিউরাল নেটওয়ার্ক (CNN) ব্যবহার করে ইমেজ ডেটা থেকে বৈশিষ্ট্য বের করবেন এবং মডেল ট্রেইন করবেন। এই প্রোজেক্টের মাধ্যমে লার্নাররা ইমেজ প্রিপ্রসেসিং, মডেল আর্কিটেকচার ডিজাইন, এবং মডেল একিউরেসি ইভালুয়েশন শেখবেন।

মূল ফিচারসমূহ:
Image Preprocessing (Resizing, Normalization)
Building a CNN Model for Image Classification
Training the Model with Dog vs Cat Dataset
Model Evaluation and Hyperparameter Tuning
Deploying the Trained Model for Real-time Image Prediction
Understanding Overfitting and Model Optimization

Dog vs Cat Image Classifier

এই প্রোজেক্টে লার্নাররা একটি AI-ভিত্তিক সেলস প্রেডিকশন টুল তৈরি করবে যা বিভিন্ন ফিচারের ভিত্তিতে ভবিষ্যতের বিক্রির পূর্বাভাস প্রদান করবে। লার্নাররা ডেটা সাইন্স এবং মেশিন লার্নিং টেকনিক যেমন রিগ্রেশন অ্যালগরিদম, ডেটা প্রিপ্রসেসিং এবং ফিচার ইঞ্জিনিয়ারিং ব্যবহার করে একটি কার্যকর প্রেডিকশন মডেল তৈরি করবেন। Python, pandas, এবং scikit-learn ব্যবহার করে এই প্রোজেক্টটি নির্মিত হবে।

মূল ফিচারসমূহ:
Data Preprocessing and Cleaning
Exploratory Data Analysis (EDA) for Sales Data
Feature Engineering and Selection for Improved Accuracy
Sales Prediction using Regression Algorithms
Model Evaluation and Performance Metrics (e.g., RMSE, MAE)
Deployment of the Sales Prediction Model in a Real-world Scenario

Sales Prediction Tool

এই প্রোজেক্টে লার্নাররা একটি মেশিন লার্নিং মডেল তৈরি করে তা API হিসেবে ডিপ্লয় করবেন। এই প্রোজেক্টের মাধ্যমে তারা মেশিন লার্নিং মডেল ট্রেনিং, API ডেভেলপমেন্ট এবং মডেল ডিপ্লয়মেন্ট শিখবেন। লার্নাররা Python, Flask/Django, এবং অন্যান্য API ফ্রেমওয়ার্ক ব্যবহার করে মডেলকে প্রোডাকশনে নিয়ে আসবেন এবং এটি ইন্টারঅ্যাকটিভ ফর্মে ডিপ্লয় করবেন।

মূল ফিচারসমূহ:
Model Training & Evaluation
API Development using Flask/Django
Integration of Machine Learning Model into API
Deployment of API with Cloud Platforms (e.g., AWS, Heroku)
Real-time Data Prediction via API Calls
Error Handling and Model Monitoring for Production Use

Deployed Machine Learning API

এই প্রোজেক্টে লার্নাররা Transformers মডেল ব্যবহার করে টেক্সট ক্লাসিফিকেশন সমস্যা সমাধান করবে। লার্নাররা বিভিন্ন ধরনের টেক্সট ডেটাসেট থেকে তথ্য শ্রেণীবদ্ধ করার জন্য NLP টেকনিক্স শিখবেন, বিশেষত BERT, GPT, এবং অন্যান্য প্রফেসনাল Transformers মডেল ব্যবহার করে। Python, Hugging Face, এবং TensorFlow/PyTorch ব্যবহার করে মডেল ট্রেইনিং এবং ইভ্যালুয়েশন করা হবে।


মূল ফিচারসমূহ:
Data Preprocessing এবং Text Tokenization
Transformers মডেল যেমন BERT/GPT ব্যবহার করে ক্লাসিফিকেশন
Fine-tuning Pre-trained Models for Specific Tasks
Model Evaluation ও Hyperparameter Tuning
Real-world Text Classification Problem Solving
Model Deployment and Inference for Production

Text Classification Using Transformers

এই প্রোজেক্টে লার্নাররা একটি GPT-based রিজিউমে জেনারেটর তৈরি করবে, যা প্রার্থী থেকে প্রাপ্ত ডেটা (যেমন: স্কিলস, এক্সপিরিয়েন্স, এডুকেশন) ব্যবহার করে প্রফেশনাল রিজিউমে তৈরি করতে সক্ষম হবে। GPT মডেল ব্যবহার করে ভাষাগত প্রক্রিয়া ও কনটেন্ট জেনারেশন শিখবেন, এবং ফাইনাল আউটপুটটিকে প্রোফেশনাল রিজিউমে আকারে ডিজাইন করবেন। লার্নাররা ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং (NLP) ও টেক্সট জেনারেশন টেকনিকসের মাধ্যমে রিজিউমে প্রোসেসিং এবং কাস্টমাইজেশন শিখবেন।

মূল ফিচারসমূহ:
Input Data Collection for Personalized Resume Generation
GPT Model for Text Generation and Customization
Natural Language Processing (NLP) for Resume Optimization
Resume Formatting and Output Design
Evaluation and Feedback Mechanism for Resume Quality
Deployment of Model for Real-time Resume Generation

Resume Generator Using GPT

এই প্রোজেক্টে লার্নাররা একটি AI-ভিত্তিক চ্যাটবট তৈরি করবে যা ডকুমেন্ট ভিত্তিক প্রশ্নোত্তর (QA) সিস্টেমের মাধ্যমে ইউজারদের প্রশ্নের উত্তর প্রদান করবে। লার্নাররা Natural Language Processing (NLP) ও তথ্য পুনরুদ্ধারের (Information Retrieval) কৌশল ব্যবহার করে ডকুমেন্ট থেকে তথ্য বের করার প্রযুক্তি শিখবে। Python, transformers, এবং OpenAI এর API এর সাহায্যে এই প্রোজেক্টটি তৈরি করা হবে।


মূল ফিচারসমূহ:
Document-based Question Answering System Creation
Natural Language Processing for Understanding User Queries
Information Retrieval Algorithms for Data Extraction
Fine-tuning Transformer Models for QA Tasks
API Integration for Real-time Document Search
Deployment of QA Chatbot for Practical Use

Chatbot for Document-Based QA

এই প্রোজেক্টে লার্নাররা একটি AI-powered ব্যবসায়িক সহায়ক চ্যাটবট তৈরি করবে, যা গ্রাহকদের বিভিন্ন ব্যবসায়িক প্রশ্নের উত্তর দিতে এবং কাজের সুষ্ঠু অটোমেশন করতে সক্ষম হবে। চ্যাটবটটি কাস্টমার সার্ভিস, FAQ সিস্টেম, এবং বেসিক ব্যবসায়িক সিদ্ধান্ত গ্রহণে সহায়তা করবে। Python, NLP, এবং অন্যান্য AI টুলস ব্যবহার করে চ্যাটবটের ইন্টেলিজেন্ট রেসপন্স সিস্টেম তৈরি করা হবে।

মূল ফিচারসমূহ:
Natural Language Processing (NLP) Integration for Human-like Interaction
Business-specific Query Handling (Sales, Inventory, Orders)
Chatbot Training for Dynamic Response Generation
Automating Customer Support Tasks
Integrating with External APIs for Business Automation
Deploying Chatbot on Web or Messaging Platforms

Business Assistant Chatbot

এই প্রোজেক্টে লার্নাররা একটি AI টুল তৈরি করবে যা গবেষণার পরিকল্পনা এবং সংক্ষেপণের কাজ করতে সক্ষম হবে। লার্নাররা NLP এবং মেশিন লার্নিং টেকনিক ব্যবহার করে প্রাসঙ্গিক গবেষণা পেপারগুলির সংক্ষিপ্ত সারাংশ তৈরি, গুরুত্বপূর্ণ পয়েন্ট সনাক্ত এবং গবেষণার জন্য পরিকল্পনা তৈরি করার প্রক্রিয়া শিখবেন। Python, Hugging Face Transformers, এবং AI সেক্টরের অন্যান্য টুলস ব্যবহার করা হবে।

মূল ফিচারসমূহ:
Research Paper Summarization with NLP Techniques
Important Points Extraction using AI Models
Research Plan Generation Based on Key Findings
Fine-tuning Pre-trained Models for Research Context
Deployment of Summarization Tool for Real-world Use
Evaluation and Performance Metrics for Text Summarization

Research Planning and Summarization Assistant

এই প্রোজেক্টে লার্নাররা একটি কনভারসেশনাল AI চ্যাটবট তৈরি করবেন যা একটি ভেক্টর ডাটাবেসের মাধ্যমে তথ্য পুনরুদ্ধার ও প্রশ্নের উত্তর প্রদান করতে সক্ষম হবে। লার্নাররা NLP, ভেক্টর ডাটাবেস যেমন FAISS বা Pinecone এবং তথ্য অনুসন্ধান পদ্ধতি নিয়ে কাজ করবেন। চ্যাটবটটি ব্যবহারকারীর প্রশ্নের সাথে সম্পর্কিত তথ্য সরবরাহ করতে সক্ষম হবে, এবং মডেলটি ক্রমাগত শেখার মাধ্যমে এর কার্যকারিতা উন্নত হবে। এই প্রোজেক্টে Python, Hugging Face Transformers, এবং ভেক্টর ডাটাবেস ব্যবহৃত হবে।

মূল ফিচারসমূহ:
NLP ব্যবহার করে প্রশ্ন-উত্তর সিস্টেম তৈরি
Vector Database (FAISS, Pinecone) ব্যবহার করে তথ্য পুনরুদ্ধার
Embedding-based Document Search
Fine-tuning of Pre-trained Language Models for Custom Use Cases
Real-time Interaction with AI-driven Knowledge Base
Model Evaluation, Optimization, and Deployment in Production

Knowledge Base Chatbot with Vector DB

ব্যাচের কার্যক্রম - মেইন লাইভ ক্লাস শুরুর আগেই যারা ইনরোল করেছেন, তারা কি বসে থাকবেন ? না! এই মডিউলে ব্যাসিক বেশ কিছু ভিডিও দেওয়া আছে। শুরু হয়ে যাক তবে শেখার জার্নি!&nbsp;

শুরুর আগে শুরু

1.1 Python Env...ent Setup

1.2 Run Your First ever Python Code

2.1 Introduction to String

2.2 Indexing in String

2.3 String Immutability

Environment Setup & Python Foundations

Python Basics & Control Flow

Goal: Manage and transform data effectively using Python’s built-in collections. Live Class 1: Built in Data Structures (Part 2) Tuples | Tuple Methods | Sets | Set Methods | Dictionaries | Dictionary Methods Live Class 2: Advanced Looping with Data Structures Iterating over Lists, Tuples, Sets, Dictionaries | Zip and Enumerate | Nested Dictionary/Lists | Mini Practice Problems Mathematical Concepts Covered:Data Organization and Representation (Tuples, Sets, Dictionaries) | Understanding Uniqueness and Immutability | Mapping and Key-Value Relationships | Iteration Logic over Complex Structures | Sequence Pairing (Zip, Enumerate) | Nested Data Handling | Logical Structuring and Abstraction | Problem Solving with Data Patterns

Core Data Structures Mastery

Goal: Write reusable code, work with files, and learn OOP basics to prepare for real projects. Live Class 1: Functions and Modules Defining Functions | Parameters &amp; Arguments | Return Values | Default &amp; Keyword Arguments | Variable Scope | Try &amp; Except | Using Built-in Modules Live Class 2: File Handling and OOP Basics Reading &amp; Writing Files | File Modes | With Statement | Introduction to OOP | Classes &amp; Objects | Attributes &amp; Methods | Mini Project (Student Grade Calculator or Contact Book) Mathematical Concepts Covered: Functional Abstraction and Modularity | Parameters, Arguments, and Return Logic | Variable Scope and Data Flow | Error Handling and Logical Debugging | File Input/Output Operations | Data Persistence and Representation | Object-Oriented Thinking (Classes, Objects, Attributes, Methods) | Applied Logic through Mini Project (Computation &amp; Data Management)

Functions, Files & OOP Basics

মডিউল ১ থেকে মডিউল ৪ পর্যন্ত যা যা আলোচনা হয়েছে, সেটার উপর ভিত্তি করে থাকবে একটা বড়সড় এসাইনমেন্ট ও লাইভ টেস্ট। ঝালিয়ে নিতে পারবেন নিজেকে।

Exam week 1

পাইথন প্রোগ্রামিং দিয়ে শুরু (Module 0-5)

Objective: Understand the full course and get a breif knowledge about ML Live Class 1: AI Engineer Full Roadmap | Intro to ML Live Class 2: Types of Machine Learning | Intro to EDA Mathematical Concepts Covered: Foundations of Artificial Intelligence and Machine Learning | Data Representation and Abstraction | Introduction to Statistical Thinking | Types of Machine Learning (Supervised, Unsupervised, Reinforcement) | Exploratory Data Analysis (EDA) Concepts | Data Patterns, Distributions, and Correlations | Logical and Analytical Reasoning for Model Understanding

Intro to Machine Learning

<blockquote>Objective: Understand the Full ML Pipeline and Get ready to deep dive into the world of ML Live Class 1: Master Pandas, Numpy , Vector and its Importance in ML Live Class 2: Machine Learning Pipeline , Best Practices | Underfit , Overfit , Bais , Variance Mathematical Concepts Covered: Vectors and Linear Algebra Foundations | Numerical Computation with NumPy | Data Manipulation and Analysis using Pandas | Understanding Dimensions and Data Structures | Machine Learning Pipeline Concepts | Model Evaluation and Optimization | Underfitting vs Overfitting | Bias-Variance Tradeoff | Statistical Reasoning and Data Preprocessing Best Practices </blockquote>

Machine Learning Pipeline

Objective: Introduce Git, Jupyter, Colab, and environment setup. Live Class 1: What is Git and why use it | Basic Git commands: init, add, commit | Understanding version control | What is GitHub and how it works | Creating and managing repositories on GitHub | Cloning and pushing code | Branching and merging basics | Typical project folder structure | Best practices for organizing codebase Live Class 2: What is Jupyter Notebook | Running and managing code cells | Introduction to Google Colab | Uploading and sharing notebooks | Writing clean and readable code | Using comments and proper indentation | Writing Markdown in notebooks | Formatting text, lists, and code blocks with Markdown | Creating headings and notes for better understanding Mathematical Concepts Covered: Version Control Logic and Change Tracking | Workflow Structuring and Project Organization | Logical Sequencing of Code Operations (Init, Add, Commit, Merge) | Systematic Thinking for Code Management | Documentation and Presentation through Markdown | Structured Data Representation in Notebooks | Readability, Clarity, and Code Abstraction | Analytical Organization of Code and Notes for Reproducibility

Development Tools and Best Practices

Live Class 1: Introduction to linear regression | Fitting a line to data using least squares | Understanding slope and intercept | What is overfitting in regression | Introduction to regularization | Ridge regression and L2 penalty | Lasso regression and L1 penalty | Comparing ridge and lasso | When to use ridge vs lasso Live Class 2: Introduction to model evaluation | What is Mean Absolute Error (MAE) | Interpreting MAE in regression models | What is Root Mean Squared Error (RMSE) | Difference between MAE and RMSE | What is R-squared (R²) | Interpreting R² as model accuracy | Choosing the right metric for evaluation Mathematical Concepts Covered: Linear Regression and Line Fitting using Least Squares | Understanding Slope, Intercept, and Line Equation | Overfitting and Model Complexity | Regularization Techniques (L1 and L2 Penalties) | Ridge and Lasso Regression Comparison | Statistical Model Evaluation Metrics (MAE, RMSE, R²) | Error Measurement and Interpretation | Model Accuracy and Performance Assessment | Analytical Decision-Making for Metric Selection Project: House Price Predictor

Regression Models and Evaluation

Live Class 1: Introduction to logistic regression | Understanding sigmoid function and probabilities | Binary classification with logistic regression | Introduction to K-Nearest Neighbors (KNN) | How KNN makes predictions based on distance | Choosing the right value of K | Introduction to decision trees | Splitting criteria: Gini and Entropy | Overfitting and pruning in decision trees | Comparing logistic, KNN, and decision trees Live Class 2: What is a confusion matrix | Understanding TP, FP, TN, FN | Calculating precision and recall | What is F1 score and why it matters | Balancing precision and recall | Introduction to ROC curve | Interpreting ROC-AUC score | Choosing metrics based on problem type Project: Titanic Dataset Mathematical Concepts Covered: Logistic Regression and Sigmoid Function | Probability and Binary Classification | K-Nearest Neighbors Algorithm and Distance Metrics | Model Parameter Tuning (Choosing K) | Decision Trees and Splitting Criteria (Gini, Entropy) | Overfitting and Pruning Techniques | Comparative Analysis of Classification Models | Confusion Matrix and Classification Outcomes (TP, FP, TN, FN) | Precision, Recall, and F1 Score Calculations | Balancing Evaluation Metrics | ROC Curve and AUC Interpretation | Metric Selection Based on Problem Context

Classification Models and Evaluation

মডিউল ৬ থেকে মডিউল ১০ পর্যন্ত যা যা আলোচনা হয়েছে, সেটার উপর ভিত্তি করে থাকবে একটা বড়সড় এসাইনমেন্ট ও লাইভ টেস্ট। ঝালিয়ে নিতে পারবেন নিজেকে।

Exam Week 2

Live Class 1: Introduction to K-Means clustering | How K-Means groups similar data points | Choosing number of clusters | What is the Elbow Method | Using Elbow Method to find optimal K | Introduction to PCA (Principal Component Analysis) | Reducing dimensionality with PCA | Interpreting principal components | PCA vs clustering: when to use what Live Class 2: Hierarchical Clustering &amp; DBSCAN Project: Clustering Assignment: Iris Dataset Mathematical Concepts Covered: K-Means Clustering and Data Grouping | Cluster Count Selection and Optimization | Elbow Method for Determining Optimal Clusters | Dimensionality Reduction with Principal Component Analysis (PCA) | Interpretation of Principal Components | Comparative Analysis of PCA and Clustering Techniques | Hierarchical Clustering Methods | Density-Based Spatial Clustering of Applications with Noise (DBSCAN)

Unsupervised Learning and Dimensionality Reduction

মেশিন লার্নিং এ হাতেখড়ি | Basic To Advanced (Module 6-12)

Live Class 1: Introduction to neural networks | Structure of a neural network: neurons, layers, activation functions | Forward propagation process | Calculating outputs in a neural network | What is backpropagation | Adjusting weights during backpropagation | Gradient descent and learning rate | Role of loss function in training | Training a neural network through epochs Live Class 2: Deep Neural Networks, Vanishing/Exploding Gradients, and Batch Normalization (with TensorFlow) Project: MNIST Digit Classifier Mathematical Concepts Covered: Neural Network Architecture (Neurons, Layers, Activation Functions) | Forward Propagation and Output Calculation | Backpropagation Algorithm and Weight Adjustment | Gradient Descent Optimization and Learning Rate | Loss Function and Model Training | Iterative Training over Epochs | Deep Neural Networks and Layer Stacking | Challenges of Vanishing and Exploding Gradients | Batch Normalization Techniques | Practical Implementation with TensorFlow

Introduction to Deep Learning

Live Class 1: Introduction to Convolutional Neural Networks (CNN) | What is computer vision? Use cases in industry | Basics of CNNs: convolution, pooling, flatten, FC | CNN architecture overview: input, convolution, pooling, fully connected layers | What is a convolution layer and its purpose | Applying filters to input images | Understanding kernel size and stride | Max pooling and average pooling layers | Reducing spatial dimensions with pooling | Role of convolution and pooling in feature extraction Live Class 2: Introduction to image classification | Overview of CNN for image classification | Using Keras for building CNN models | Loading and preprocessing image data | Defining the CNN architecture in Keras | Adding convolution, activation, and pooling layers | Flattening and adding fully connected layers | Compiling the model with optimizer, loss, and metrics | Training the model with image data | Evaluating model performance on test data | Image preprocessing techniques: resizing, normalization | Data augmentation for Image Data Project: Dog vs Cat Image Classifier Mathematical Concepts Covered: Convolutional Neural Networks (CNN) Fundamentals | Computer Vision Concepts and Industry Applications | Convolution Operations and Filter Application | Kernel Size, Stride, and Feature Extraction | Pooling Layers (Max and Average) and Spatial Dimension Reduction | CNN Architecture Components (Input, Convolution, Pooling, Fully Connected Layers) | Image Classification Basics with CNN | Model Building with Keras Framework | Image Data Loading and Preprocessing | Network Architecture Design and Layer Stacking | Model Compilation and Training | Performance Evaluation Metrics | Image Preprocessing Techniques (Resizing, Normalization) | Data Augmentation for Robustness

Computer Vision with CNNs

মডিউল ১১ থেকে মডিউল ১৪ পর্যন্ত যা যা আলোচনা হয়েছে, সেটার উপর ভিত্তি করে থাকবে একটা বড়সড় এসাইনমেন্ট ও লাইভ টেস্ট। ঝালিয়ে নিতে পারবেন নিজেকে।

Exam Week 3

ডীপ লার্নিং & কম্পিউটার ভিশন (Module 13-15)

Live Class 1: Object Detection Model Finetuning (Roboflow Journey) | Yolo Model Finetune Live Class 2: Transformers : The core of Modern AI Project: Sales Object Tracking &amp; Heatmap Visualization Mathematical Concepts Covered: Object Detection and Model Fine-Tuning Techniques | YOLO Model Architecture and Adaptation | Transfer Learning and Model Optimization | Fundamentals of Transformers Architecture | Attention Mechanisms and Self-Attention | Sequential Data Processing | Core Concepts Driving Modern AI Advances

Model Finetuning & Intro to Transformers

Live Class 1: Building Scalable ML APIs with FastAPI What is FastAPI and why it's ideal for ML deployment | Setting up a FastAPI app for serving predictions | Creating robust endpoints with Pydantic for validation | Serving ML models using joblib or pickle | Structuring APIs: /predict, /health, /info endpoints | Testing APIs using Swagger UI, ReDoc, and Postman | Intro to async handling and real-time performance advantages Live Class 2: Dockerizing Your ML Service &amp; Intro to MLflow Docker Focus: | What is Docker and why use it for ML APIs | Writing a Dockerfile for FastAPI apps | Building Docker images and running containers | Exposing containerized APIs over localhost/port | Testing containerized predictions with curl/Postman | Analyzing API responses and troubleshooting | Basics of cloud deployment | Deploying Dockerized applications on cloud platforms | Using services like AWS, Heroku, or Google Cloud for deployment Project: Production Ready ML Model Pipeline with FastAPI,&nbsp;Docker&nbsp;&amp;&nbsp;MLflow Mathematical Concepts Covered: API Design and Deployment for Machine Learning Models | Data Validation with Pydantic | Model Serialization and Serving Techniques | Endpoint Structuring and Asynchronous Handling | Performance Optimization in Real-Time Systems | Containerization with Docker for Reproducible Environments | Building and Managing Docker Images and Containers | Networking and API Exposure | Testing and Troubleshooting API Endpoints | Cloud Deployment Fundamentals | Scalable ML Service Management

Model Deployment & Monitoring w/ FastAPI, Docker and MLflow

মডেল ফাইনটিউনিং & ডেপ্লয়মেন্ট (Module 16-17)

Synensis IT

Apurba Technologies Limited

North South University

Sazzad Hossain

Live Class 1: Introduction to text preprocessing | What is tokenization and how it works | Breaking text into words or sentences | Introduction to lemmatization | Reducing words to their base form using lemmatization | What are stopwords and why remove them | Identifying and filtering stopwords in text | Using libraries like NLTK or SpaCy for preprocessing | Combining tokenization, lemmatization, and stopwords removal for clean text data Live Class 2: Introduction to word embeddings | What is TF-IDF (Term Frequency-Inverse Document Frequency) | How TF-IDF captures word importance in a corpus | Introduction to Word2Vec and its two models: Continuous Bag of Words (CBOW) and Skip-gram | Training Word2Vec on text data to create word embeddings | What is GloVe (Global Vectors for Word Representation) | How GloVe differs from Word2Vec and captures global word relationships | Using pre-trained embeddings for NLP tasks | Comparing TF-IDF, Word2Vec, and GloVe for various applications Project: Sentiment Analysis on Product Reviews Mathematical Concepts Covered: Text Preprocessing Techniques | Tokenization: Word and Sentence Segmentation | Lemmatization and Morphological Normalization | Stopwords Identification and Removal | Natural Language Processing (NLP) Libraries Usage (NLTK, SpaCy) | Term Frequency-Inverse Document Frequency (TF-IDF) for Word Importance | Word Embedding Models: Word2Vec (CBOW, Skip-gram) | Global Vectors for Word Representation (GloVe) | Training and Using Word Embeddings | Comparative Analysis of TF-IDF, Word2Vec, and GloVe in NLP Tasks

Natural Language Processing Fundamentals

Live Class 1: Introduction to the attention mechanism | How attention allows models to focus on important parts of the input | Types of attention: hard and soft attention | Self-attention and its role in sequence processing | Introduction to Transformer architecture | Key components of Transformers: Encoder and Decoder | Multi-head attention mechanism | Positional encoding to preserve sequence order | Advantages of Transformers over RNNs and LSTMs | Applications of Transformers in NLP tasks like translation and summarization Live Class 2: Introduction to Hugging Face Transformers | Overview of BERT and GPT models | Understanding pre-trained models and transfer learning | Fine-tuning BERT for text classification tasks | Preparing the dataset for fine-tuning | Training BERT with custom data using Hugging Face’s Trainer API | Fine-tuning GPT for text generation tasks | Adjusting hyperparameters during fine-tuning | Evaluating model performance on downstream tasks | Using pre-trained Hugging Face models for various NLP applications Project: Text Classification Using Transformers Mathematical Concepts Covered: Attention Mechanisms and Focused Processing | Hard and Soft Attention Types | Self-Attention in Sequence Modeling | Transformer Architecture Fundamentals (Encoder, Decoder) | Multi-Head Attention and Parallelization | Positional Encoding for Sequence Order Preservation | Comparative Advantages Over RNNs and LSTMs | Applications in NLP (Translation, Summarization) | Pre-Trained Transformer Models (BERT, GPT) | Transfer Learning and Fine-Tuning Techniques | Dataset Preparation and Model Training | Hyperparameter Optimization | Model Evaluation and Deployment in NLP Tasks

Transformers and Hugging Face Models

Live Class 1: Introduction to prompt patterns in NLP | Designing effective prompts for different tasks | Few-shot learning and how it reduces data requirements | Understanding few-shot, one-shot, and zero-shot learning | Introduction to OpenAI API | Overview of GPT models and their capabilities | Making API requests to OpenAI for text generation and understanding tasks | Prompt engineering for better results | Fine-tuning models with custom prompts for specific tasks | Using OpenAI API in real-world applications like chatbots, summarization, and translation Live Class 2: Introduction to function calling with GPT models | Using GPT for structured outputs like JSON, tables, or lists | Designing prompts for structured responses | Calling external functions or APIs from within a prompt | Handling structured data in response formats | Parsing and formatting structured outputs from GPT | Integrating GPT with external systems for dynamic function calls | Use cases of function calling in automation, data extraction, and decision-making tasks | Best practices for optimizing structured output quality Project: Linkedin Post Generator Mathematical Concepts Covered: Prompt Engineering and Pattern Design in NLP | Few-Shot, One-Shot, and Zero-Shot Learning Paradigms | Data Efficiency in Model Training | OpenAI API Usage and GPT Model Capabilities | Structured Output Generation (JSON, Tables, Lists) | Function Calling and External API Integration | Designing and Parsing Structured Prompts | Automation and Dynamic Data Extraction | Real-World Application Development with GPT | Optimization Techniques for Output Quality

Prompt Engineering and GPT APIs

NLP, ট্রান্সফর্মারস (Module 18-20)

Live Class 1: Introduction to chains in NLP workflows | Combining multiple tasks or steps using chains | Using memory in AI models for context retention | Implementing memory to maintain state across interactions | Creating prompt templates for consistent input formatting | Benefits of reusable prompt templates in large-scale applications | How chains and memory work together in task automation | Example use cases of chains, memory, and templates in complex tasks like conversation bots and multi-step reasoning | Optimizing performance with chains and templates Live Class 2: Introduction to CSV/PDF Q&amp;A pipelines | Extracting data from CSV files for Q&amp;A tasks | Parsing PDF files for text-based question answering | Using OCR for extracting text from scanned PDFs | Building a pipeline to answer questions from structured or unstructured documents | Document indexing for fast retrieval | How to index documents for efficient search and retrieval Project: Chatbot for Document-Based QA Mathematical Concepts Covered: NLP Workflow Automation with Task Chaining | Context Retention Using Memory in AI Models | State Management Across Interactions | Prompt Template Design and Reusability | Task Automation Through Chains and Memory Integration | Multi-Step Reasoning and Complex Task Handling | Data Extraction from Structured (CSV) and Unstructured (PDF) Formats | Optical Character Recognition (OCR) Techniques | Pipeline Construction for Document-Based Q&amp;A | Document Indexing and Efficient Retrieval Methods

Introduction to LangChain

Live Class 1: Introduction to LangChain Agent Executor | How the Agent Executor manages complex tasks | Using LangChain to build intelligent agents | Creating and integrating custom tools into LangChain | Leveraging external APIs and services as custom tools | Implementing intermediate memory for maintaining context across tasks | Storing temporary information to guide agent decision-making | Optimizing agent performance with efficient memory management | Example use cases of LangChain in conversational agents and workflow automation Live Class 2: Introduction to API tools in LangChain | Using built-in API tools for integrating external services | Handling API requests and responses with LangChain | Introduction to file tools for managing document-based inputs | Reading, writing, and processing files in pipelines | Using LangChain to process and analyze file data (CSV, JSON, text) | Error handling strategies in LangChain workflows | Catching and managing exceptions in API and file tool interactions | Debugging and logging in LangChain | Best practices for building robust workflows with error handling Project: Business Assistant Chatbot Mathematical Concepts Covered: Task Management and Execution with LangChain Agent Executor | Intelligent Agent Design and Custom Tool Integration | External API Utilization and Service Orchestration | Context Preservation through Intermediate Memory | Memory Optimization for Efficient Decision-Making | Workflow Automation in Conversational Agents | API Integration and Request-Response Handling | File Management and Data Processing Pipelines (CSV, JSON, Text) | Error Detection, Handling, and Debugging Strategies | Robust Workflow Construction and Logging Best Practices

Building Intelligent Tool-Integrated Applications

Live Class 1: Introduction to CrewAI | How CrewAI enables automation and collaboration across tasks | Overview of AutoGen and its role in automating task generation | Using AutoGen for dynamic task creation and assignment | Task delegation strategies for optimizing workflow | Assigning tasks based on skills, priorities, and timelines | Managing task dependencies and ensuring smooth handoffs | Best practices for delegating tasks effectively within automated systems Live Class 2: Introduction to multi-agent systems | How multiple agents interact and collaborate to solve problems | Example 1: Multi-agent system for recommendation engines | Agents working together to provide personalized suggestions | Example 2: Collaborative robots in manufacturing | Coordinating tasks between robots to improve efficiency | Example 3: Autonomous vehicle fleet management | Multiple agents managing traffic flow and navigation Project: Career Mate MulltiAgent Mathematical Concepts Covered: Automation and Collaboration Frameworks in AI Systems | Dynamic Task Generation and Assignment Algorithms | Optimization of Task Delegation Based on Skills and Priorities | Managing Task Dependencies and Workflow Sequencing | Multi-Agent System Architecture and Interaction Models | Cooperative Problem Solving and Distributed Decision Making | Application of Multi-Agent Systems in Recommendation Engines, Robotics, and Autonomous Vehicle Coordination

Multi-Agent Systems and Workflow Automation

Live Class 1: Introduction to FAISS (Facebook AI Similarity Search) | Using FAISS for efficient similarity search and nearest neighbor search | How FAISS works with high-dimensional data | Introduction to Chroma for scalable vector storage | Using Chroma for real-time, fast retrieval of vector-based data | Overview of LangChain retriever | Integrating LangChain with FAISS and Chroma for document retrieval | How LangChain handles retrieval-augmented generation (RAG) tasks | Benefits of combining FAISS, Chroma, and LangChain for high-performance information retrieval | Use cases in document search, semantic search, and knowledge extraction Live Class 2: Introduction to the full Retrieval-Augmented Generation (RAG) pipeline | Ingestion of data for RAG systems: collecting and processing raw data | Preprocessing data for embedding generation | Using embeddings to represent data in vector space | Introduction to embeddings: how they capture semantic meaning | Generating embeddings with models like BERT or Sentence Transformers | Storing and indexing embeddings for efficient retrieval | Retrieval process: searching for relevant documents or data based on query Project: Knowledge Base Chatbot with Vector DB Mathematical Concepts Covered: Similarity Search and Nearest Neighbor Algorithms (FAISS) | High-Dimensional Data Handling and Vector Search | Scalable Vector Storage with Chroma | Integration of LangChain Retriever for Document Retrieval | Retrieval-Augmented Generation (RAG) Framework | Combining FAISS, Chroma, and LangChain for Efficient Information Retrieval | Semantic Search and Knowledge Extraction Use Cases | Data Ingestion and Preprocessing for RAG Pipelines | Embedding Generation and Vector Space Representation | Use of Pre-Trained Models (BERT, Sentence Transformers) for Embeddings | Embedding Storage, Indexing, and Retrieval Processes

Retrieval-Augmented Generation and Vector Databases

মডিউল ১৬ থেকে মডিউল ২৪ পর্যন্ত যা যা আলোচনা হয়েছে, সেটার উপর ভিত্তি করে থাকবে একটা বড়সড় এসাইনমেন্ট ও লাইভ টেস্ট। ঝালিয়ে নিতে পারবেন নিজেকে।

Exam Week 4

AI Agent Development (Module 21-25)

Capstone Project: Students will propose and build a complete real-world AI application integrating skills from previous modules. The project must include:<ul><li>A problem statement with measurable outcomes (e.g., customer support automation, smart report generation, intelligent search)</li><li>Data ingestion (structured/unstructured)</li><li>Application of an LLM using prompt engineering, LangChain, or Hugging Face</li><li>Integration with at least one external API or tool</li><li>UI or interface demonstration (CLI, chatbot, or web UI)</li><li>Deployment and version control through GitHub</li></ul> Examples:<ul><li>An AI assistant for internal HR document search</li><li>A chatbot that answers customer product questions using uploaded manuals</li><li>A multi-agent research and report generator tool</li></ul> Live Class 1: Capstone Demo, Peer Review, Instructor Feedback&nbsp; Live Class 2: Resume &amp; GitHub Review, LinkedIn Optimization, Mock Interviews, Career Roadmap

Capstone Presentation and Career Support

Live Class 1: Getting Remote Jobs with AI SkillsTopics: Understanding the Global AI Job Market | High-Demand Remote Roles: AI Engineer, No-Code AI Builder, Prompt Engineer | Platforms for Remote Work (LinkedIn, We Work Remotely, AngelList, Turing) | Creating a Job-Ready AI Portfolio | Writing AI-focused CVs and Cover Letters | How to Apply &amp; Follow Up | Interview Questions for Remote AI Roles | Soft Skills &amp; Time Zone Management for Remote Work Assignment: Create a remote-job-ready CV highlighting your AI skills + Build or update a LinkedIn profile showcasing your projects. Live Class 2: Freelancing with AI: Strategy to ExecutionTopics: Introduction to AI Freelancing | Marketplace Breakdown: Upwork, Freelancer, PeoplePerHour, Contra (excluding Fiverr for this module) | In-demand AI Freelancing Gigs: Chatbot setup, automation, API integration, AI workflow design | How to Create an Optimized Freelance Profile | Portfolio Best Practices | Bidding Strategies &amp; Client Communication | Building a Long-Term Freelancing Career Assignment: Create a freelance profile draft with 1 AI service gig + Submit a sample proposal based on a real job post.

Income Pathways with AI Skills: Remote Jobs & Freelancing

Live Class 1: CV, Portfolio &amp; LinkedIn Profile BuildingCraft an AI Engineering CV showcasing ML/AI skills, projects, frameworks, and tools | Build a portfolio with AI/ML projects, GitHub links, and deployed models | Optimize LinkedIn profile with AI-focused keywords, experience, and skills Live Class 2: Local &amp; Remote Job Search StrategiesResearch and apply to local AI engineering jobs | Learn tips for landing remote AI/ML job opportunities | Discover best practices for international roles and stand out in global AI job applications Assignment: Write a tailored cover letter for a remote AI engineering job position and submit it.